結構因果模型 是什麼？
Structural Causal Model：結構因果模型 的完整解釋
用數學方程與有向無環圖表示變數間因果機制的模型，允許進行干預與反事實推理。
結構因果模型（Structural Causal Model，SCM）是因果推斷從哲學猜想轉變為嚴格數學框架的重要里程碑。SCM 將複雜的因果機制編碼為形式化系統，使得研究者與 AI 系統能夠精確地進行因果推導、量化因果效應、預測干預結果與執行反事實推理。
SCM 的數學結構
SCM 包含三個組成部分：
變數集合 V = {V₁, V₂, ..., Vₙ}，分為外生變數 U（不被模型解釋的背景因素）與內生變數 V（由模型解釋的變數）。
因果方程集合 F = {f₁, f₂, ..., fₙ}，每個 f_i 定義了變數 V_i 如何由其直接原因與獨立雜訊決定：V_i = f_i(PA_i, U_i)，其中 PA_i 是 V_i 的父節點（直接原因集），U_i 是獨立外生變數。
有向無環圖（DAG），節點是變數，有向邊表示因果關係。若 V_j 在 V_i 的父節點集中，則 DAG 中有邊 V_j → V_i。
例如，模型「吸菸與遺傳傾向都導致肺癌，吸菸受遺傳傾向影響」可表示為：
- U_G：遺傳傾向（外生變數）
- U_S：其他吸菸因素（如成癮性傾向，外生）
- U_L：其他肺癌風險因素（如環境汙染，外生）
- G = U_G
- S = f_S(G, U_S)：吸菸依賴遺傳與個人因素
- L = f_L(S, G, U_L)：肺癌依賴吸菸、遺傳與其他因素
對應的 DAG：U_G → S, U_G → L, U_S → S, S → L, U_L → L。
干預與 do-operator
SCM 的革命性貢獻在於形式化「干預」。觀測（conditioning）與干預在統計上有根本區別：觀測 P(L | S = 1)「在已知吸菸者中肺癌的概率」混合了相關性與因果性；干預 do(S = 1)「強制讓人吸菸」則直接改寫了 S 的方程，排除了 S 的原有原因的影響。
形式上，干預 do(S = s) 將 SCM 轉化為「干預模型」：移除 S 的原因方程，取而代之以 S = s。新模型下的變數分布 P(L | do(S = 1))（即使 s = 1）才是吸菸的真實因果效應。
這個區別至關重要：P(L | S = 1) ≠ P(L | do(S = 1))。前者包含混淆（如遺傳傾向同時影響 S 與 L），後者排除了混淆。
識別與可識別性
給定 SCM 與觀測資料的聯合分布 P(V)，因果效應 P(V | do(X = x)) 是否能被唯一決定（識別）？SCM 理論提供了充分條件與診斷工具。例如，Pearl 的後門準則（Backdoor Criterion）告訴研究者哪些變數應被調整來識別因果效應；前門準則（Frontdoor Criterion）則在存在無法觀測混淆變數時提供識別路徑。
不可識別性出現在資訊不足時。例如，若無法觀測到關鍵的混淆變數，即使有完美的觀測資料也無法唯一確定因果效應。在此情況下，SCM 理論提供了計算「部分識別」（partial identification）邊界的方法：因果效應無法精確估計，但可估計其可能範圍。
SCM 與機器學習的整合
SCM 為機器學習帶來了新視角。傳統 ML 模型 Ŷ = f(X) 學習的是 P(Y | X)，對應於觀測；為了設計能處理干預的系統，需要轉向因果框架。例如，推薦系統傳統上透過相關性預測用戶喜好，但相關性被用戶與推薦系統的歷史反饋循環所混淆；基於 SCM 的設計則明確模型用戶真實偏好、系統推薦、與用戶回應的因果關係，從而能更精準地優化長期價值而非短期點擊率。
SCM 的實務限制
SCM 是強大的工具，但有實務局限：
第一，因果結構需要專家假設與領域知識，難以純粹從資料推導。不同的 SCM 可能對應同一觀測分布，導致因果結論的多重性。
第二，模型複雜度：現實系統有眾多變數與潛在因果關係，完整的 SCM 可能難以建構與驗證。
第三，未測量混淆（unmeasured confounding）是永遠的威脅。SCM 假設所有相關變數都已納入模型或被調整，但隱藏因素往往存在。
第四，動態因果系統（反饋循環、時間延遲）的 SCM 建模更複雜，需要擴展為動態結構因果模型（Dynamic SCM）。
在 iPAS AI 應用規劃師考試中，SCM 是因果推斷部分的核心，要求考生理解 SCM 的數學定義、干預與觀測的區別、後門/前門準則的應用，以及 SCM 與 AI 決策設計的關聯。